Vergleichende Analyse der YOLO26-Bereitstellungsoptionen

Einführung

Du hast auf deiner Reise mit YOLO26 bereits viel erreicht. Du hast fleißig Daten gesammelt, sie akribisch annotiert und Zeit investiert, um dein eigenes YOLO26-Modell zu trainieren und gründlich zu evaluieren. Nun ist es an der Zeit, dein Modell für deine spezifische Anwendung, deinen Anwendungsfall oder dein Projekt nutzbar zu machen. Doch vor dir steht eine entscheidende Frage: Wie exportierst und bereitest du dein Modell effektiv vor?

Dieser Leitfaden führt dich durch die Bereitstellungsoptionen von YOLO26 und die wesentlichen Faktoren, die du berücksichtigen musst, um die richtige Wahl für dein Projekt zu treffen.

So wählst du die richtige Bereitstellungsoption für dein YOLO26-Modell

Wenn es an der Zeit ist, dein YOLO26-Modell bereitzustellen, ist die Auswahl eines geeigneten Exportformats sehr wichtig. Wie in der Dokumentation zu Ultralytics YOLO26-Modi beschrieben, ermöglicht dir die Funktion model.export() dein trainiertes Modell in eine Vielzahl von Formaten zu konvertieren, die auf unterschiedliche Umgebungen und Leistungsanforderungen zugeschnitten sind.

Das ideale Format hängt vom beabsichtigten Einsatzkontext deines Modells ab und muss Geschwindigkeit, Hardwareeinschränkungen und Integrationsaufwand gegeneinander abwägen. Für eine verwaltete Bereitstellung ohne manuellen Export bietet die Ultralytics Platform einsatzbereite Inferenz-Endpunkte mit automatischer Skalierung über 43 globale Regionen hinweg. Im nächsten Abschnitt werfen wir einen genaueren Blick auf jede Exportoption und erfahren, wann man welche wählen sollte.

Die Bereitstellungsoptionen von YOLO26

Lass uns die verschiedenen YOLO26-Bereitstellungsoptionen durchgehen. Eine detaillierte Anleitung zum Exportprozess findest du auf der Dokumentationsseite von Ultralytics zum Export.

PyTorch

PyTorch ist eine Open-Source-Bibliothek für maschinelles Lernen, die häufig für Anwendungen im Bereich Deep Learning und künstliche Intelligenz verwendet wird. Sie bietet ein hohes Maß an Flexibilität und Geschwindigkeit, was sie zu einem Favoriten unter Forschern und Entwicklern gemacht hat.

• Leistungs-Benchmarks: PyTorch ist für seine Benutzerfreundlichkeit und Flexibilität bekannt, was im Vergleich zu spezialisierteren und optimierteren Frameworks zu einem leichten Kompromiss bei der Rohleistung führen kann.
• Kompatibilität und Integration: Bietet eine exzellente Kompatibilität mit verschiedenen Data-Science- und Machine-Learning-Bibliotheken in Python.
• Community-Unterstützung und Ökosystem: Eine der lebendigsten Communities mit umfassenden Ressourcen zum Lernen und zur Fehlerbehebung.
• Fallstudien: Häufig in Forschungsprototypen verwendet; viele wissenschaftliche Arbeiten referenzieren Modelle, die in PyTorch bereitgestellt wurden.
• Wartung und Updates: Regelmäßige Updates mit aktiver Entwicklung und Unterstützung für neue Funktionen.
• Sicherheitsüberlegungen: Regelmäßige Patches für Sicherheitsprobleme; die Sicherheit hängt jedoch weitgehend von der gesamten Umgebung ab, in der es bereitgestellt wird.
• Hardwarebeschleunigung: Unterstützt CUDA für GPU-Beschleunigung, was für die Beschleunigung von Modelltraining und Inferenz unerlässlich ist.

TorchScript

TorchScript erweitert die Fähigkeiten von PyTorch, indem es den Export von Modellen ermöglicht, die in einer C++-Runtime-Umgebung ausgeführt werden können. Dies macht es für Produktionsumgebungen geeignet, in denen kein Python verfügbar ist.

• Leistungs-Benchmarks: Kann gegenüber nativem PyTorch eine verbesserte Leistung bieten, insbesondere in Produktionsumgebungen.
• Kompatibilität und Integration: Entwickelt für einen nahtlosen Übergang von PyTorch zu C++-Produktionsumgebungen, wobei einige fortgeschrittene Funktionen möglicherweise nicht perfekt konvertiert werden.
• Community-Unterstützung und Ökosystem: Profitiert von der großen Community von PyTorch, hat jedoch einen engeren Kreis spezialisierter Entwickler.
• Fallstudien: Weit verbreitet in Industrieumgebungen, in denen der Performance-Overhead von Python ein Engpass ist.
• Wartung und Updates: Wird parallel zu PyTorch gewartet und konsistent aktualisiert.
• Sicherheitsüberlegungen: Bietet verbesserte Sicherheit, da Modelle in Umgebungen ohne vollständige Python-Installationen ausgeführt werden können.
• Hardwarebeschleunigung: Erbt die CUDA-Unterstützung von PyTorch und gewährleistet so eine effiziente GPU-Nutzung.

ONNX

Das Open Neural Network Exchange (ONNX) ist ein Format, das die Interoperabilität von Modellen über verschiedene Frameworks hinweg ermöglicht, was bei der Bereitstellung auf verschiedenen Plattformen entscheidend sein kann.

• Leistungs-Benchmarks: ONNX-Modelle können je nach spezifischer Runtime, auf der sie bereitgestellt werden, eine unterschiedliche Leistung aufweisen.
• Kompatibilität und Integration: Hohe Interoperabilität über mehrere Plattformen und Hardware hinweg aufgrund seiner framework-unabhängigen Natur.
• Community-Unterstützung und Ökosystem: Wird von vielen Organisationen unterstützt, was zu einem breiten Ökosystem und einer Vielzahl von Optimierungstools führt.
• Fallstudien: Wird häufig verwendet, um Modelle zwischen verschiedenen Machine-Learning-Frameworks zu verschieben, was seine Flexibilität unter Beweis stellt.
• Wartung und Updates: Als offener Standard wird ONNX regelmäßig aktualisiert, um neue Operationen und Modelle zu unterstützen.
• Sicherheitsüberlegungen: Wie bei jedem plattformübergreifenden Tool ist es wichtig, sichere Praktiken in der Konvertierungs- und Bereitstellungspipeline sicherzustellen.
• Hardwarebeschleunigung: Mit ONNX Runtime können Modelle verschiedene Hardware-Optimierungen nutzen.

OpenVINO

OpenVINO ist ein Intel-Toolkit, das dazu entwickelt wurde, die Bereitstellung von Deep-Learning-Modellen auf Intel-Hardware zu erleichtern und die Leistung sowie Geschwindigkeit zu steigern.

• Leistungs-Benchmarks: Speziell optimiert für Intel CPUs, GPUs und VPUs, was auf kompatibler Hardware signifikante Leistungsschübe bietet.
• Kompatibilität und Integration: Funktioniert am besten innerhalb des Intel-Ökosystems, unterstützt jedoch auch eine Reihe anderer Plattformen.
• Community-Unterstützung und Ökosystem: Unterstützt von Intel, mit einer soliden Benutzerbasis, insbesondere im Bereich Computer Vision.
• Fallstudien: Häufig in IoT- und Edge-Computing-Szenarien eingesetzt, in denen Intel-Hardware weit verbreitet ist.
• Wartung und Updates: Intel aktualisiert OpenVINO regelmäßig, um die neuesten Deep-Learning-Modelle und Intel-Hardware zu unterstützen.
• Sicherheitsüberlegungen: Bietet robuste Sicherheitsfunktionen, die für den Einsatz in sensiblen Anwendungen geeignet sind.
• Hardwarebeschleunigung: Maßgeschneidert für die Beschleunigung auf Intel-Hardware, wobei dedizierte Befehlssätze und Hardwarefunktionen genutzt werden.

Weitere Details zur Bereitstellung mit OpenVINO findest du in der Dokumentation zur Ultralytics-Integration: Intel OpenVINO Export.

TensorRT

TensorRT ist ein Hochleistungs-Deep-Learning-Inferenz-Optimierer und eine Laufzeitumgebung von NVIDIA, ideal für Anwendungen, die Geschwindigkeit und Effizienz erfordern.

• Leistungs-Benchmarks: Liefert erstklassige Leistung auf NVIDIA-GPUs mit Unterstützung für Hochgeschwindigkeits-Inferenz.
• Kompatibilität und Integration: Am besten für NVIDIA-Hardware geeignet, mit begrenzter Unterstützung außerhalb dieser Umgebung.
• Community-Unterstützung und Ökosystem: Starkes Support-Netzwerk durch NVIDIAs Entwicklerforen und Dokumentation.
• Fallstudien: Weit verbreitet in Branchen, die Echtzeit-Inferenz für Video- und Bilddaten erfordern.
• Wartung und Updates: NVIDIA wartet TensorRT mit häufigen Updates, um die Leistung zu verbessern und neue GPU-Architekturen zu unterstützen.
• Sicherheitsüberlegungen: Wie viele NVIDIA-Produkte legt es einen starken Fokus auf Sicherheit, aber die Details hängen von der Bereitstellungsumgebung ab.
• Hardwarebeschleunigung: Exklusiv für NVIDIA-GPUs entwickelt und bietet tiefgreifende Optimierung und Beschleunigung.

Weitere Informationen zur Bereitstellung von TensorRT findest du im Integrationsleitfaden für TensorRT.

CoreML

CoreML ist das Machine-Learning-Framework von Apple, das für die On-Device-Leistung im Apple-Ökosystem optimiert ist, einschließlich iOS, macOS, watchOS und tvOS.

• Leistungs-Benchmarks: Optimiert für die On-Device-Leistung auf Apple-Hardware mit minimalem Batterieverbrauch.
• Kompatibilität und Integration: Exklusiv für das Apple-Ökosystem, bietet einen optimierten Arbeitsablauf für iOS- und macOS-Anwendungen.
• Community-Unterstützung und Ökosystem: Starke Unterstützung durch Apple und eine engagierte Entwickler-Community, mit umfangreicher Dokumentation und Tools.
• Fallstudien: Häufig in Anwendungen verwendet, die Machine-Learning-Funktionen direkt auf Apple-Produkten erfordern.
• Wartung und Updates: Wird regelmäßig von Apple aktualisiert, um die neuesten Fortschritte im maschinellen Lernen und die neueste Apple-Hardware zu unterstützen.
• Sicherheitsüberlegungen: Profitiert von Apples Fokus auf Privatsphäre der Benutzer und Datensicherheit.
• Hardwarebeschleunigung: Nutzt Apples Neural Engine und GPU voll aus, um Aufgaben des maschinellen Lernens zu beschleunigen.

TF SavedModel

TF SavedModel ist das Format von TensorFlow zum Speichern und Bereitstellen von Machine-Learning-Modellen, das besonders für skalierbare Serverumgebungen geeignet ist.

• Leistungs-Benchmarks: Bietet skalierbare Leistung in Serverumgebungen, insbesondere bei Verwendung mit TensorFlow Serving.
• Kompatibilität und Integration: Breite Kompatibilität innerhalb des TensorFlow-Ökosystems, einschließlich Cloud- und Enterprise-Server-Bereitstellungen.
• Community-Unterstützung und Ökosystem: Große Community-Unterstützung aufgrund der Popularität von TensorFlow, mit einer Vielzahl von Tools für Bereitstellung und Optimierung.
• Fallstudien: Weit verbreitet in Produktionsumgebungen für die Bereitstellung von Deep-Learning-Modellen in großem Maßstab.
• Wartung und Updates: Wird von Google und der TensorFlow-Community unterstützt, was regelmäßige Updates und neue Funktionen gewährleistet.
• Sicherheitsüberlegungen: Die Bereitstellung mit TensorFlow Serving beinhaltet robuste Sicherheitsfunktionen für Anwendungen auf Unternehmensebene.
• Hardwarebeschleunigung: Unterstützt verschiedene Hardwarebeschleunigungen durch die Backends von TensorFlow.

TF GraphDef

TF GraphDef ist ein TensorFlow-Format, das das Modell als Graph darstellt, was für Umgebungen vorteilhaft ist, in denen ein statischer Berechnungsgraph erforderlich ist.

• Leistungs-Benchmarks: Bietet stabile Leistung für statische Berechnungsgraphen, mit Fokus auf Konsistenz und Zuverlässigkeit.
• Kompatibilität und Integration: Lässt sich leicht in die Infrastruktur von TensorFlow integrieren, ist jedoch weniger flexibel als SavedModel.
• Community-Unterstützung und Ökosystem: Gute Unterstützung durch das TensorFlow-Ökosystem mit vielen verfügbaren Ressourcen zur Optimierung statischer Graphen.
• Fallstudien: Nützlich in Szenarien, in denen ein statischer Graph erforderlich ist, wie beispielsweise in bestimmten eingebetteten Systemen.
• Wartung und Updates: Regelmäßige Updates parallel zu den Kern-Updates von TensorFlow.
• Sicherheitsüberlegungen: Gewährleistet eine sichere Bereitstellung mit den etablierten Sicherheitspraktiken von TensorFlow.
• Hardwarebeschleunigung: Kann die Hardwarebeschleunigungsoptionen von TensorFlow nutzen, ist jedoch nicht so flexibel wie SavedModel.

Erfahre mehr über TF GraphDef in unserem Integrationsleitfaden zu TF GraphDef.

TF Lite

TF Lite ist die Lösung von TensorFlow für das maschinelle Lernen auf mobilen und eingebetteten Geräten und bietet eine leichtgewichtige Bibliothek für On-Device-Inferenz.

• Leistungs-Benchmarks: Entwickelt für Geschwindigkeit und Effizienz auf mobilen und eingebetteten Geräten.
• Kompatibilität und Integration: Kann aufgrund seiner leichtgewichtigen Natur auf einer Vielzahl von Geräten verwendet werden.
• Community-Unterstützung und Ökosystem: Unterstützt von Google, mit einer robusten Community und einer wachsenden Anzahl von Ressourcen für Entwickler.
• Fallstudien: Beliebt in mobilen Anwendungen, die On-Device-Inferenz mit minimalem Speicherbedarf erfordern.
• Wartung und Updates: Wird regelmäßig aktualisiert, um die neuesten Funktionen und Optimierungen für mobile Geräte einzubeziehen.
• Sicherheitsüberlegungen: Bietet eine sichere Umgebung für die Ausführung von Modellen auf Endbenutzergeräten.
• Hardwarebeschleunigung: Unterstützt eine Vielzahl von Hardwarebeschleunigungsoptionen, einschließlich GPU und DSP.

TF Edge TPU

TF Edge TPU ist für schnelles, effizientes Rechnen auf Googles Edge-TPU-Hardware konzipiert, perfekt für IoT-Geräte, die Echtzeitverarbeitung erfordern.

• Leistungs-Benchmarks: Speziell optimiert für Hochgeschwindigkeits- und effizientes Rechnen auf der Edge-TPU-Hardware von Google.
• Kompatibilität und Integration: Funktioniert ausschließlich mit TensorFlow Lite-Modellen auf Edge-TPU-Geräten.
• Community-Unterstützung und Ökosystem: Wachsende Unterstützung mit Ressourcen von Google und Drittanbietern.
• Fallstudien: Wird in IoT-Geräten und Anwendungen verwendet, die eine Echtzeitverarbeitung mit niedriger Latenz erfordern.
• Wartung und Updates: Wird kontinuierlich verbessert, um die Fähigkeiten neuer Hardware-Veröffentlichungen der Edge TPU zu nutzen.
• Sicherheitsüberlegungen: Lässt sich in Googles robuste Sicherheit für IoT- und Edge-Geräte integrieren.
• Hardwarebeschleunigung: Speziell dafür entwickelt, die Vorteile von Google Coral-Geräten voll auszuschöpfen.

TF.js

TensorFlow.js (TF.js) ist eine Bibliothek, die Machine-Learning-Funktionen direkt in den Browser bringt und Webentwicklern sowie Nutzern gleichermaßen neue Möglichkeiten bietet. Sie ermöglicht die Integration von Machine-Learning-Modellen in Webanwendungen ohne die Notwendigkeit einer Backend-Infrastruktur.

• Leistungs-Benchmarks: Ermöglicht Machine Learning direkt im Browser mit angemessener Leistung, abhängig vom Client-Gerät.
• Kompatibilität und Integration: Hohe Kompatibilität mit Webtechnologien, was eine einfache Integration in Webanwendungen ermöglicht.
• Community-Support und Ökosystem: Unterstützung durch eine Community von Web- und Node.js-Entwicklern mit einer Vielzahl von Tools für die Bereitstellung von ML-Modellen in Browsern.
• Fallstudien: Ideal für interaktive Webanwendungen, die von clientseitigem Machine Learning ohne die Notwendigkeit für serverseitige Verarbeitung profitieren.
• Wartung und Updates: Wird vom TensorFlow-Team gewartet, mit Beiträgen aus der Open-Source-Community.
• Sicherheitsaspekte: Läuft innerhalb des sicheren Kontextes des Browsers und nutzt das Sicherheitsmodell der Webplattform.
• Hardwarebeschleunigung: Die Leistung kann durch webbasierte APIs verbessert werden, die auf Hardwarebeschleunigung wie WebGL zugreifen.

PaddlePaddle

PaddlePaddle ist ein Open-Source-Deep-Learning-Framework, das von Baidu entwickelt wurde. Es ist sowohl für Forscher effizient als auch für Entwickler einfach zu bedienen konzipiert. Es ist besonders in China beliebt und bietet spezialisierte Unterstützung für die Verarbeitung chinesischer Sprache.

• Leistungsbenchmarks: Bietet wettbewerbsfähige Leistung mit Fokus auf Benutzerfreundlichkeit und Skalierbarkeit.
• Kompatibilität und Integration: Gut in das Ökosystem von Baidu integriert und unterstützt eine breite Palette von Anwendungen.
• Community-Support und Ökosystem: Obwohl die Community global kleiner ist, wächst sie schnell, insbesondere in China.
• Fallstudien: Häufig in chinesischen Märkten und von Entwicklern verwendet, die nach Alternativen zu anderen großen Frameworks suchen.
• Wartung und Updates: Wird regelmäßig aktualisiert, mit Fokus auf KI-Anwendungen und -Dienste in chinesischer Sprache.
• Sicherheitsaspekte: Legt Wert auf Datenschutz und Sicherheit, um den chinesischen Standards für Daten-Governance gerecht zu werden.
• Hardwarebeschleunigung: Unterstützt verschiedene Hardwarebeschleunigungen, einschließlich Baidus eigener Kunlun-Chips.

MNN

MNN ist ein hocheffizientes und leichtgewichtiges Deep-Learning-Framework. Es unterstützt die Inferenz und das Training von Deep-Learning-Modellen und bietet branchenführende Leistung für Inferenz und Training auf dem Gerät. Darüber hinaus wird MNN auch auf eingebetteten Geräten wie IoT verwendet.

• Leistungsbenchmarks: Hohe Leistung für mobile Geräte mit exzellenter Optimierung für ARM-Systeme.
• Kompatibilität und Integration: Funktioniert gut mit mobilen und eingebetteten ARM-Systemen und X86-64 CPU-Architekturen.
• Community-Support und Ökosystem: Unterstützt durch die Community für mobiles und eingebettetes Machine Learning.
• Fallstudien: Ideal für Anwendungen, die eine effiziente Leistung auf mobilen Systemen erfordern.
• Wartung und Updates: Wird regelmäßig gewartet, um eine hohe Leistung auf mobilen Geräten zu gewährleisten.
• Sicherheitsaspekte: Bietet Sicherheitsvorteile auf dem Gerät, indem Daten lokal gehalten werden.
• Hardwarebeschleunigung: Optimiert für ARM CPUs und GPUs für maximale Effizienz.

NCNN

NCNN ist ein leistungsstarkes Framework für neuronale Netzwerk-Inferenz, das für mobile Plattformen optimiert ist. Es zeichnet sich durch seine Leichtgewichtigkeit und Effizienz aus, was es besonders geeignet für mobile und eingebettete Geräte mit begrenzten Ressourcen macht.

• Leistungsbenchmarks: Hochgradig für mobile Plattformen optimiert und bietet effiziente Inferenz auf ARM-basierten Geräten.
• Kompatibilität und Integration: Geeignet für Anwendungen auf Mobiltelefonen und eingebetteten Systemen mit ARM-Architektur.
• Community-Support und Ökosystem: Unterstützt durch eine nischenorientierte, aber aktive Community, die sich auf mobile und eingebettete ML-Anwendungen konzentriert.
• Fallstudien: Bevorzugt für mobile Anwendungen, bei denen Effizienz und Geschwindigkeit auf Android und anderen ARM-basierten Systemen entscheidend sind.
• Wartung und Updates: Kontinuierlich verbessert, um die hohe Leistung auf einer Reihe von ARM-Geräten aufrechtzuerhalten.
• Sicherheitsaspekte: Konzentriert sich auf die lokale Ausführung auf dem Gerät und nutzt die inhärente Sicherheit der On-Device-Verarbeitung.
• Hardwarebeschleunigung: Zugeschnitten auf ARM CPUs und GPUs mit spezifischen Optimierungen für diese Architekturen.

Vergleichende Analyse der YOLO26-Bereitstellungsoptionen

Die folgende Tabelle bietet einen Überblick über die verschiedenen Bereitstellungsoptionen für YOLO26-Modelle und hilft dir dabei, basierend auf mehreren kritischen Kriterien zu beurteilen, welche am besten zu deinen Projektanforderungen passt. Für einen detaillierten Einblick in das Format jeder Bereitstellungsoption sieh dir bitte die Ultralytics-Dokumentationsseite zu Exportformaten an.

Diese vergleichende Analyse bietet dir einen Überblick auf hoher Ebene. Für die Bereitstellung ist es wichtig, die spezifischen Anforderungen und Einschränkungen deines Projekts zu berücksichtigen sowie die ausführliche Dokumentation und die für jede Option verfügbaren Ressourcen zu konsultieren.

Community und Support

Wenn du mit YOLO26 beginnst, kann eine hilfreiche Community und Unterstützung einen großen Unterschied machen. Hier erfährst du, wie du dich mit anderen vernetzt, die deine Interessen teilen, und die Hilfe bekommst, die du benötigst.

Engagiere dich in der breiteren Community

• GitHub Discussions: Das YOLO26 repository on GitHub hat einen Bereich "Discussions", in dem du Fragen stellen, Probleme melden und Verbesserungen vorschlagen kannst.
• Ultralytics Discord Server: Ultralytics hat einen Discord server, auf dem du dich mit anderen Benutzern und Entwicklern austauschen kannst.

Offizielle Dokumentation und Ressourcen

• Ultralytics YOLO26 Docs: Die offizielle Dokumentation bietet einen umfassenden Überblick über YOLO26 sowie Anleitungen zur Installation, Verwendung und Fehlerbehebung.

Diese Ressourcen helfen dir, Herausforderungen zu meistern und über die neuesten Trends und Best Practices in der YOLO26-Community auf dem Laufenden zu bleiben.

Fazit

In diesem Leitfaden haben wir die verschiedenen Bereitstellungsoptionen für YOLO26 untersucht. Wir haben auch die wichtigen Faktoren besprochen, die du bei deiner Wahl berücksichtigen solltest. Diese Optionen ermöglichen es dir, dein Modell für verschiedene Umgebungen und Leistungsanforderungen anzupassen, wodurch es für reale Anwendungen geeignet wird.

Vergiss nicht, dass die YOLO26 und Ultralytics community eine wertvolle Quelle für Hilfe ist. Vernetze dich mit anderen Entwicklern und Experten, um einzigartige Tipps und Lösungen zu erfahren, die du vielleicht nicht in der regulären Dokumentation findest. Lerne weiter, erkunde neue Ideen und teile deine Erfahrungen.

FAQ

Welche Bereitstellungsoptionen gibt es für YOLO26 auf verschiedenen Hardwareplattformen?

Ultralytics YOLO26 unterstützt verschiedene Bereitstellungsformate, die jeweils für spezifische Umgebungen und Hardwareplattformen entwickelt wurden. Zu den wichtigsten Formaten gehören:

• PyTorch für Forschung und Prototyping, mit exzellenter Python-Integration.
• TorchScript für Produktionsumgebungen, in denen Python nicht verfügbar ist.
• ONNX für plattformübergreifende Kompatibilität und Hardwarebeschleunigung.
• OpenVINO für optimierte Leistung auf Intel-Hardware.
• TensorRT für Hochgeschwindigkeits-Inferenz auf NVIDIA GPUs.

Jedes Format hat einzigartige Vorteile. Eine detaillierte Anleitung findest du in unserer Export-Prozess-Dokumentation.

Wie verbessere ich die Inferenzgeschwindigkeit meines YOLO26-Modells auf einer Intel CPU?

Um die Inferenzgeschwindigkeit auf Intel CPUs zu verbessern, kannst du dein YOLO26-Modell mit dem OpenVINO Toolkit von Intel bereitstellen. OpenVINO bietet signifikante Leistungssteigerungen, indem es Modelle für eine effiziente Nutzung der Intel-Hardware optimiert.

1. Konvertiere dein YOLO26-Modell mit der Funktion model.export() in das OpenVINO-Format.
2. Befolge die detaillierte Einrichtungsanleitung in der Intel OpenVINO Export Dokumentation.

Weitere Einblicke findest du in unserem Blogbeitrag.

Kann ich YOLO26-Modelle auf Mobilgeräten bereitstellen?

Ja, YOLO26-Modelle können auf Mobilgeräten mit TensorFlow Lite (TF Lite) sowohl für Android- als auch für iOS-Plattformen bereitgestellt werden. TF Lite ist für mobile und eingebettete Geräte konzipiert und bietet eine effiziente On-Device-Inferenz.

# Export command for TFLite format
model.export(format="tflite")

Weitere Details zur Bereitstellung von Modellen auf Mobilgeräten findest du in unserem TF Lite Integrationsleitfaden.

Welche Faktoren sollte ich bei der Wahl eines Bereitstellungsformats für mein YOLO26-Modell berücksichtigen?

Berücksichtige bei der Auswahl eines Bereitstellungsformats für YOLO26 die folgenden Faktoren:

• Leistung: Einige Formate wie TensorRT bieten außergewöhnliche Geschwindigkeiten auf NVIDIA GPUs, während OpenVINO für Intel-Hardware optimiert ist.
• Kompatibilität: ONNX bietet eine breite Kompatibilität über verschiedene Plattformen hinweg.
• Integrationsfreundlichkeit: Formate wie CoreML oder TF Lite sind maßgeschneidert für spezifische Ökosysteme wie iOS bzw. Android.
• Community-Support: Formate wie PyTorch und TensorFlow verfügen über umfangreiche Community-Ressourcen und Unterstützung.

Für eine vergleichende Analyse siehe unsere Dokumentation zu Exportformaten.

Wie kann ich YOLO26-Modelle in einer Webanwendung bereitstellen?

Um YOLO26-Modelle in einer Webanwendung bereitzustellen, kannst du TensorFlow.js (TF.js) verwenden, das die Ausführung von Machine Learning Modellen direkt im Browser ermöglicht. Dieser Ansatz macht Backend-Infrastruktur überflüssig und bietet Echtzeitleistung.

1. Exportiere das YOLO26-Modell in das TF.js-Format.
2. Integriere das exportierte Modell in deine Webanwendung.

Schritt-für-Schritt-Anleitungen findest du in unserem Leitfaden zur TensorFlow.js Integration.